CC BY
40
following the results of last season "Innovative technologies in winter sports (ski jumping, Nordic combined, figure skating, curling) ", Federal State Budgetary Institution SPBNIIFK, St. Petersburg, pp. 9-10.
2. Zlydnev, A.A., Zakharov, G.G. and Yakovlev, A.A. (2014), "Biomechanical indicators of sports and technical readiness of highly skilled skiers jumpers with springboard", Uchenye zapiski univer-siteta imeni P.F. Lesgafta, Vol. 112, No 6, pp. 70-75.
3. Sergeev, G. A., Zlydnev, A.A. and Yakovlev, A.A. (2013), The methodology for the development of complex target programs for the training of regional teams of skilled athletes on a four year cycle of training (for example, skiers-Nordic combined of Russia), The Lesgaft National State University of Physical Education, Sport and Health, St. Petersburg.
4. International rules of competitions in ski sports (2011), Ski jumping. Part 3, (The version No. 2 from 4/15/2011, with translation specifications - an edition of N.P.), available at: http://www.skijumpingrus.ru/_/47/2011_mezhdunarodnye_pravila_SJ.pdf.
5. Virmavirta, M., Kivekas, J., and Komi, P.V. (2001), "Take-off aerodynamics in ski jumping", J. Biomech, No. 34, pp. 465-470.
Контактная информация: [email protected]
Статья поступила в редакцию 13.02.2017
УДК 796.92+681.3
МОДЕЛИРОВАНИЕ ТРЕНИРОВОЧНОГО ПРОЦЕССА В БИАТЛОНЕ С ПОМОЩЬЮ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Алексей Валерьевич Зеленский, преподаватель, Смоленская государственная академия физической культуры, спорта и туризма
(СГАФКСТ), Смоленск, Александр Валерьевич Зеленский, тренер-преподаватель, Смоленское государственное бюджетное учреждение «Комплексная специализированная детско-юношеская спортивная школа олимпийского резерва «Юность России» (СОГБУ «КСДЮСШОР «Юность России»), Смоленск
Аннотация
Статья посвящена вопросам применения кластерного анализа данных и нейронных сетей при обработке результатов экспериментальных исследований в области физкультуры и спорта. Метод предполагает разбиение множества объектов на определенное число классов с использованием некоторого математического критерия качества классификации. В качестве перспективного направления кластерного анализа данных о спортсменах выделены сети Кохонена. Использовался обычный алгоритм генерирования карт Кохонена: 1) предварительная обработка данных; 2) обработка данных; 3) конструирование и обучение сети; 4) использование сетей для диагностики и прогнозирования. Результаты применения кластерного анализа доказали возможность использования карт Кохонена для моделирования тренировочного процесса спортсменов-биатлонистов.
Ключевые слова: кластерный анализ, биатлонисты, нейронные сети, сети Кохонена.
TRAINING PROCESS MODELLING BY MEANS OF ARTIFICIAL INTELLIGENCE
Aleksey Valerievich Zelenskiy, the teacher, Smolensk State Academy of Physical Training, Sports and Tourism, Smolensk, Alexander Valerievich Zelenskiy, the trainer-teacher, Smolensk public budgetary institution "Complex specialized child-youth sporting school of Olympic reserve "Youth of Russia", Smolensk
Annotation
The article is devoted to the problems of cluster analysis and neural network application to processing of the experimental data in sport researching. The method involves the decomposition of set to a definite number of classes with using the mathematical criteria for quality classification. As a promising direction of cluster analysis we suggest the usage of Kohonen clustering network. In our own research we have used a common algorithm of Kohonen clustering network generation: 1) preliminary data processing;
2) main data processing; 3) neural network forming and training; 4) neural network usage for diagnostics and forecasting. The cluster analysis results have proved possibility of usage of Kohonen clustering network for generating models of training process for biathletes.
Keywords: cluster analysis, biathletes, neural networks, Kohonen clustering networks.
ВВЕДЕНИЕ
Современный биатлон - динамичный вид спорта, сочетающий лыжные гонки и пулевую стрельбу из винтовки. Сложный характер данного вида спорта затрудняет планирование тренировок, делает актуальным компьютерный анализ применяющихся методик и их эффективности. Зачастую при планировании тренировок биатлонистов тренеры игнорируют положения спортивной педагогики и других, связанных с подготовкой теоретических дисциплин. Не рассматриваются перспективы подготовки, тренировочный процесс ориентируется на достижение ближайших результатов. Иногда не обращают внимания на психологические аспекты подготовки спортсменов, делая основной акцент на технические действия. Рекомендации, сформулированные для других видов спорта, могут некритически переноситься на биатлон.
Таким образом, традиции построения тренировочного процесса должны быть пересмотрены в сторону их адаптации к постоянно меняющимся условиям данного вида спорта. Это может быть достигнуто на путях использования достижений научно-технического прогресса, прежде всего в области информационных технологий, которые позволяют, как изучать внутренние закономерности явлений, так и прогнозировать изменения в показателях спортивной деятельности в результате тренировок, что и определяет актуальность нашей работы.
МЕТОДЫ И ОРГАНИЗАЦИЯ ИССЛЕДОВАНИЯ
В настоящее время разработаны обширные методики наблюдения и эксперимента в области физкультуры и спорта, накоплено огромное количество данных о спортсменах. Данные могут относиться как к физическому состоянию биатлониста, так и к условиям проведения тренировок и стрельбы. Они могут быть обработаны различными широко ныне известными в информационной науке и статистике методами. Рассмотрим один из них.
Кластерный анализ - метод предполагает разбиение множества объектов на определенное число классов с использованием некоторого математического критерия качества классификации, также широко применяется многими исследователями.
Существуют определенные критерии качества кластеризации:
а) внутри групп объекты должны быть тесно связаны между собой;
б) объекты разных групп должны быть далеки друг от друга;
в) при прочих равных условиях распределения объектов по группам должны быть равномерными.
Важнейшим моментом в данном случае является выбор меры близости объектов, который осуществляется в зависимости от специфики конкретной задачи. Возможна частичная алгоритмизация этого выбора с помощью алгоритмов преобразования исходного пространства признаков [3].
В настоящее время кластерный анализ может применяться с использованием такого мощного средства искусственного интеллекта, как нейронные сети. Перспективными в данном плане являются сети Кохонена (Kohonen clustering network - KCN). К специфическим особенностям данных сетей относятся:
а) преобразование многомерных данных в структуру небольшой размерности;
б) представление кластеров с помощью диаграмм или таблиц;
в) ограничения визуализации результатов в результате определенного упрощения структуры данных.
Каждая ячейка сети Кохонена связана с выходным нейроном и является сферой его влияния. Методы конкурентного обучения позволяют распределять векторы весов нейронов. Объекты, векторы которых ближе к вектору весов нейрона, попадают в связанную с ним ячейку.
Распределение объектов по карте в целом соответствует распределению векторов весов нейронов. Итак, если объекты близки на карте, и векторы их признаков тоже близки. Важным фактором является и цвет ячейки, в которой расположен вектор, так как ячейкам также назначается цвет для выявления более глубоких связей между признаками объектов. Для изучения нескольких признаков нужно строить отдельные карты, так как расцветка в данном случае осуществляется только по одному признаку.
Таким образом, спектр исследования карт Кохонена включает в себя следующие направления:
1. Моделирование.
2. Прогнозирование.
3. Выявление закономерных явлений в данных.
4. Выявление независящих друг от друга явлений.
5. Сжатие информации.
Применение карт Кохонена для анализа подготовки спортсменов уже использовалось рядом современных исследователей. Так, в работе [2] предложены результаты исследований 28 спортсменов-стрелков, которые подвергались комплексной фармакологической программе, на базе карт Кохонена исследовался ряд показателей их здоровья, как до применения программы, так и после, а также показатели по контрольной группе, которая не принимала препаратов вовсе.
Для обработки нейронных сетей мы использовали платформу Deductor 5.2, которая содержит огромное количество средств анализа данных, разнообразные модели и средства визуализации результатов.
Мы использовали стандартный алгоритм применения карт Кохонена, который состоял из следующих этапов:
1. Предварительная обработка.
2. Работа с данными.
3. Конструирование, обучение и оценка качества сети.
4. Использование и диагностика.
Первый этап включал в себя формирование базы данных из имеющихся у нас источников, которые включали в себя результаты психологического тестирования биатлонистов, спортивные планы и дневники, медицинская информация, полученная в процессе диспансеризации.
В процессе предварительной обработки данных входные и выходные параметры были представлены нами в виде числе с плавающей точкой от 0 до 1. При этом проблематичным является использование ряда предметных областей, где числа могут быть в различных диапазонах, например, возраст от 18 до 35, пульс, артериальное давление температура тела и так далее. В связи с этим осуществляется преобразование конкретных данных в числа нужного диапазона.
Поскольку необходимо исключить ситуацию, когда разным комбинациям факторов соответствует одно и то же значение, распространен способ кодирования через постановку двоичных чисел в соответствие каждому фактору. Единица в разряде двоичного числа говорит при этом о наличии фактора, а нуль - об отсутствии факторов. Пример из работы [2]:
00 - проведение измерений без нагрузки и без применения фармакологических препаратов;
01 - проведение измерений после нагрузки и без применения фармакологических препаратов;
10 - проведение измерений после применения фармакологических препаратов без нагрузки;
11 - проведение измерений после применения фармакологических препаратов и после нагрузки.
Перейдем к описанию второго этапа работы. Основной его целью является получение линейно отделяемого пространства для множества образцов. Для получения пространства в диапазоне [0; 1] осуществляется нормировка входных значений с помощью
^ 1 функции вида X =-.
1 + *
Далее выбирается топология сети по следующим параметрам:
1. Количество слоев сети.
2. Количество нейронов в каждом слое.
3. Конкретная функция активации нейронов.
4. Алгоритм обучения сети.
5. Критерии качества работы сети.
В конце данного этапа выбирается вариант сети, обеспечивающий максимальную способность сети к обобщению и оценке качества работы. При этом особо сложным является определение количества узлов в обучаемой сети. Большое количество нейронов позволяет модифицировать начальный радиус обучения, то есть адаптировать нейроны к вектору входов. Это существенно влияет на способность данной карты обобщать входные данные. Однако высокое количество узлов ведет к неоправданному увеличению времени карты, что делает неактуальным ее использование для решения практических задач.
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ И ИХ ОБСУЖДЕНИЕ
Перейдем к этапу первоначального обучения заданной сети. Оно заключается в последовательной коррекции векторов с помощью пошагового выбора нейронов, за которым следует поиск наиболее похожего вектора коэффициентов. В итоге поиска выявляется победитель, наиболее похожий на вектор входов. При этом степень сходства определяется как расстояние между векторами в евклидовом пространстве [3].
В используемом нами пакете Deductor 5.2 на данном этапе осуществляется выбор из следующих способов инициализации:
1. Инициализация малыми случайными величинами.
2. Инициализация примерами - из обучающей выборки случайным образом выбираются отдельные экземпляры.
3. Инициализация линейно упорядоченными значениями векторов, причем линейное подпространство, относительно которого осуществляется упорядочивание, проходит между двумя главными собственными векторами исходного набора данных.
Минимальное время обучения характерно для последнего варианта (линейная инициализация), так как при этом избегают прохождения фразы грубой настройки значений.
На рисунке 1 представлены карты Кохонена, построенные на основе имевшейся у нас информации.
Рассмотрим заключительный этап работы с картами Кохонена. На данном этапе необходимо выяснить, каким образом те или иные факторы влияют на принимаемое решение. Точность выделения областей и кластеров может не соответствовать поставленным данной задачей требованиям. Рассмотрим кластеризацию представленных нами данных с использованием уже упомянутого пакета анализа Deductor 5.2.
На рисунке 1 в каждом окне представлена проекция компонентов многомерного вектора входных статистических данных на плоскость. Анализ получившихся проекций позволяет формировать группы и кластеры, причем по цвету ячейки определяется при-
близительно значение попавших в нее объектов.
Рисунок 1 - Карты Кохонена, построенные на основе статистической информации о спортсменах-биатлонистах (результаты лыжного забега и кросса выступают в качестве выходных данных сети)
При проведении качественного анализа можно менять количество нейронов или кластеров, а также выделить одну из ячеек на картах, чтобы посмотреть отображении информации из нее на всех картах. Ячейку можно выбирать и по положению на карте, и по значениям из таблицы признаков.
Пользователь может также выставлять текстовые метки на ячейках, исправлять их и удалять. Можно выделять ячейки, попавшие в текущий кластер, а также отображать различные значения признаков в таблице и на карте, имеется большое разнообразие настроек и фильтров. Таким образом, проводимое исследование является как системным, так и комплексным.
На рисунке 2 представлен результат проведения кластерного анализа, который позволяет сделать вывод о зависимости результатов бега на лыжах и кросса от других переменных (таких, как пол, округ, уровень образования, уровень вовлеченности родителей в спорт).
Карты демонстрируют связь результатов с полом (у мужчин показатели выше), отсутствие связи с округом, а также с уровнем знаний (чем выше знания, тем лучше спортивные результаты), связь с занятиями спорта у родителей в целом отсутствует. Таким образом, при ориентации на высокие результаты тренировок следует делать акцент на работу с мужчинами, которые уделяют достаточное внимание не только спорту, но и учебе, а спортивный уровень родителей в целом мало влияет на показатели.
Еще одним преимуществом использования карт Кохонена является возможность исследования изменения данных в зависимости от изменения условий. При подаче на вход системы других данных ее поведение будет меняться. Это позволяет проводить компьютерные эксперименты с использованием моделирования нейронной сетью и оценивать возможные изменения результатов в зависимости от тренировок и других условий.
Кроме того, таким способом можно проверять корректность работы системы и достоверность полученных с ее помощью результатов. Может быть оценена и устойчивость, то есть изменения достоверности при поступлении нетипичных данных или пропусков.
♦ rj.it. 1 «и: I1 на ?
о £ - ы * ии^а'.зшмй'Э
» а та а
Рисунок 2 - Результаты проведения кластерного анализа на основе карт Кохонена (выделены кластеры со сходной расцветкой на тех картах, где они наблюдаются)
ВЫВОДЫ
Итак, на материале спортсменов-биатлонистов нами было показана возможность применения аппарата нейронных сетей (карт Кохонена) для обработки статистической информации, анализа и прогнозирования полученных результатов.
Конкретные возможности применения кластерного анализа для рассматриваемой предметной области заключаются в следующем:
1. Выявить зависимости между различными значениями данных, как прямые, так и обратные. В данном случае можно выявить влияние различных факторов, таких как физические параметры спортсмена или характер его тренировок, на окончательные результаты.
2. Проводить экспериментальные исследования возможных изменений результатов в зависимости от изменений, вносимых в тренировочный режим спортсмена.
3. Проверять достоверность данных обследований спортсменов и оценивать устойчивость полученных данных на любых этапах тренировочного процесса.
4. Из обработанных данных получать ответы на вопросы «а что важно...?» и «что если ...?» и применять информацию для моделирования тренировочного процесса.
ЛИТЕРАТУРА
1. Вайнштейн, Л.М. Путь на Олимп / Л.М. Вайнштейн. - М. : Физкультура и спорт, 2005.
- 357 с.
2. Левандо, В.А. Современные аспекты повышения специальной спортивной работоспособности в стрелковом спорте / В.А. Левандо, Л.В. Сафонов // Вестник спортивной науки. - 2009. - № 4. - С. 13-16.
3. Паклин, Н.Б. Бизнес аналитика: от данных к знаниям / Н.Б. Паклин, В.И. Орешков. -СПб. : Питер, 2013. - 704 с.
REFERENCES
1. Weinstein, L.M. (2005), Way to the Olympus, Physical Culture and Sports, Moscow.
2. Levando, V.A. and Safonov, L.V. (2009), "Modern aspects of raising a special athletic performance in shooting sports", Journal of Sport Science, No. 4, pp. 13-16.
3. Paklin, N.B. and Oreshkov, V.I. (2013), Business Intelligence: From Data to Knowledge, Peter, St. Petersburg.
Контактная информация: [email protected]
Статья поступила в редакцию 13.02.2017
УДК 796.332
СОВЕРШЕНСТВОВАНИЕ КООРДИНАЦИОННЫХ СПОСОБНОСТЕЙ ФУТБОЛИСТОВ 14-15 ЛЕТ
Фатех Зерег, аспирант, Марина Владимировна Жийяр, доктор педагогических наук, доцент, Российский государственный университет физической культуры, спорта, молодёжи и
туризма (ГЦОЛИФК), Москва, Хаджаре Херфане Мохамед, доктор педагогических наук, доцент, Институт физической культуры и спорта, Университет Абдхамид Ибн Бадис,
Mостаганем, Алжир
Аннотация
Достижение высоких спортивных результатов в условиях возрастающей конкуренции требует постоянного совершенствования технического мастерства спортсменов. Одним из наиболее перспективных направлений технической подготовки высококвалифицированных спортсменов является совершенствование координационных способностей (КС). Техническая подготовка осуществляется за счет скоростно-силовых характеристик, совершенствования координации движений и повышения устойчивости технических действий к различным сбивающим факторам.
Ключевые слова: совершенствования технического мастерства, координации движений.
IMPROVING THE COORDINATION ABILITIES OF FOOTBALL PLAYERS AGED
14-15 YEARS
Fateh Zereg, the post-graduate student,
Marina Vladimirovna Gillard, the doctor of pedagogical sciences, senior lecturer, Russian State University of Physical Education, Sport, Youth and Tourism, Moscow,
Hadjar Kherfane Mohamed, the doctor of pedagogical sciences, senior lecturer, Institute of Physical Education and Sports, University AbdelhamidIbn Badis,
Mostaganem, Algeria
Annotation
Achieving high sport results in an increasingly competitive environment requires constant improvement of the technical skills of the athletes. One of the most promising areas of the technical training of elite athletes is improving of the coordination abilities (CA). Technical training is carried out at the expense of speed force characteristics, improving of the coordination of movements and enhancing the sus-tainability of the technical actions to various confounding factors.
Keywords: improving of technical skills, coordination of movements.
ВВЕДЕНИЕ
Процессы двигательной координации определяются нейрофизиологическими механизмами организации информации, они участвуют в системе управления и регуляции движений. Элементы данной системы - центральная нервная система (ЦНС), органы восприятия (рецепторы) и мышцы (эффекторы), обусловленные генотипом и средой, -
